虽然现在的编程辅助工具（如GitHub Copilot、ChatGPT、TabNine、Cursor等）已经取得了显著进展，但很多人仍然觉得它们“不太好使”。这种“不好用”的感觉往往并不是因为这些工具完全无效，而是因为它们与程序员的实际工作方式之间存在一系列错位。我们可以从以下几个角度来分析：

1. 上下文理解能力有限

• 工具通常只能看到“局部代码”或“当前文件”，而程序员在写代码时，脑子里装的是整个系统的状态：架构、业务逻辑、历史包袱、未来计划。
• 举个例子：你写了一个函数，工具建议了一个看起来很合理的实现，但它不知道这个函数未来会被10个模块调用，必须保持接口稳定——于是建议的代码看起来很对，实则“埋雷”。

2. 幻觉（hallucination）问题

• AI会生成看似正确、实则错误的代码，甚至编造不存在的API或类名。
• 对于新手来说，这种“看起来对”的错误更难察觉，反而增加了调试成本。

3. 风格不一致与“噪音建议”

• 工具的建议往往基于统计概率，而不是你项目的编码规范。它可能在建议中混用驼峰和下划线、引入你不想要的抽象层、或者写出不符合团队风格的代码。
• 结果就是：你得花时间去“修正”它的建议，反而不如自己写快。

4. 对复杂任务的理解力不足

• 对于简单、模式化的任务（如写样板代码、正则表达式、简单算法），工具表现很好。
• 但一旦涉及复杂业务逻辑、跨模块协作、性能优化、并发控制等，工具的建议往往流于表面，甚至误导。

5. 交互方式不够自然

• 目前的工具大多是“你写一点，它猜一点”，但程序员在写代码时，往往是“先想清楚整体结构，再补细节”。
• 这种“猜谜式”交互方式，反而打断了思路。

6. 对“错误”的容忍度不同

• 人类程序员在写代码时，可以接受“暂时写个能跑的版本”，之后再重构。
• 但AI工具往往试图一次性给出“看起来完美”的代码，反而让人不敢直接用。

7. 心理落差：期望值过高

• 很多宣传把AI工具描述成“10倍程序员”，但实际使用中，它更像是一个“偶尔有用、经常添乱”的实习生。
• 这种落差会放大“不好用”的主观感受。

如何更有效地使用这些工具？
虽然它们不完美，但确实能提高效率，关键在于“怎么用”：

总结一句话：

编程辅助工具不是“自动驾驶”，而是“副驾驶”。

它不会替你开车，但如果你知道怎么问、怎么修正，它确实能让你开得更快一点。

你可以把它当成一个“有点聪明但不靠谱的实习生”——用得好是助力，用不好是负担。